論文の概要: DuetGraph: Coarse-to-Fine Knowledge Graph Reasoning with Dual-Pathway Global-Local Fusion

• arxiv url: http://arxiv.org/abs/2507.11229v1
• Date: Tue, 15 Jul 2025 11:59:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:03.097734
• Title: DuetGraph: Coarse-to-Fine Knowledge Graph Reasoning with Dual-Pathway Global-Local Fusion
• Title（参考訳）: DuetGraph: Dual-Pathway Global-Local Fusion を用いた粗大な知識グラフ推論
• Authors: Jin Li, Zezhong Ding, Xike Xie,
• Abstract要約: 二重経路グローバル局所融合を用いた粗大なKG推論機構であるDuetGraphを提案する。 DuetGraphは、ローカル(メッセージパッシング経由)とグローバル(注意経由)情報を2つの異なる経路に分離することで、過剰なスムーシングに取り組む。 さまざまなデータセットの実験では、DuetGraphが最先端(SOTA)のパフォーマンスを実現し、推論品質が最大8.7%向上している。
• 参考スコア（独自算出の注目度）: 9.658973558308976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs (KGs) are vital for enabling knowledge reasoning across various domains. Recent KG reasoning methods that integrate both global and local information have achieved promising results. However, existing methods often suffer from score over-smoothing, which blurs the distinction between correct and incorrect answers and hinders reasoning effectiveness. To address this, we propose DuetGraph, a coarse-to-fine KG reasoning mechanism with dual-pathway global-local fusion. DuetGraph tackles over-smoothing by segregating -- rather than stacking -- the processing of local (via message passing) and global (via attention) information into two distinct pathways, preventing mutual interference and preserving representational discrimination. In addition, DuetGraph introduces a coarse-to-fine optimization, which partitions entities into high- and low-score subsets. This strategy narrows the candidate space and sharpens the score gap between the two subsets, which alleviates over-smoothing and enhances inference quality. Extensive experiments on various datasets demonstrate that DuetGraph achieves state-of-the-art (SOTA) performance, with up to an 8.7% improvement in reasoning quality and a 1.8$\times$ acceleration in training efficiency.
• Abstract（参考訳）: 知識グラフ(KG)は、様々な領域にわたる知識推論を可能にするために不可欠である。 近年,グローバル情報とローカル情報を統合したKG推論手法が有望な成果を上げている。 しかし、既存の手法は過度にスムースに悩まされることが多く、これは正解と誤解の区別を曖昧にし、推論の有効性を妨げている。 そこで我々はDuetGraphを提案する。DuetGraphは2経路グローバル局所融合を用いた粗大なKG推論機構である。 DuetGraphは、(メッセージパッシングを介して)局所的な処理と(注意を通して)グローバルな情報を2つの異なる経路に分離し、相互の干渉を防止し、表現的差別を保存することで、過度にスムーシングに取り組む。 さらに、DuetGraphは、エンティティをハイスコアサブセットとロースコアサブセットに分割する粗大な最適化を導入した。 この戦略は候補空間を狭め、2つのサブセット間のスコアギャップを狭め、過剰なスムーシングを緩和し、推論品質を高める。 さまざまなデータセットに関する大規模な実験では、DuetGraphが最先端(SOTA)のパフォーマンスを達成し、推論品質が最大8.7%向上し、トレーニング効率が1.8$\times$Acceleratorになったことが示されている。

関連論文リスト

• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• When Heterophily Meets Heterogeneous Graphs: Latent Graphs Guided Unsupervised Representation Learning [6.2167203720326025]
  非教師付きヘテロジニアスグラフ表現学習(UHGRL)は,ラベルのない実用的なグラフを扱うことの重要性から注目されている。 我々はセマンティックなヘテロフィリーを定義し、この問題に対処するためにLatGRL(Latent Graphs Guided Unsupervised Representation Learning)と呼ばれる革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-01T10:25:06Z)
• Graph Triple Attention Network: A Decoupled Perspective [8.958483386270638]
  グラフトランスフォーマーは、マルチビューカオスとローカルグローバルカオスの2つの主要な課題に直面している。 我々は、GTの高レベルな分離された視点を提案し、それらを3つのコンポーネントと2つの相互作用レベルに分解する。 DeGTAというグラフトリプルアテンションネットワークを設計し、多視点アテンションを別々に計算し、多視点ローカルおよびグローバル情報を適応的に統合する。
  論文  参考訳（メタデータ） (2024-08-14T16:29:07Z)
• Domain Adaptive Graph Classification [0.0]
  本稿では,グラフトポロジを二分枝から探索し,二分枝学習による領域差を緩和するDual Adversarial Graph Representation Learning(DAGRL)を提案する。 提案手法では,適応的な摂動を二重分岐に組み込み,ソースとターゲット分布をドメインの整合性に対応させる。
  論文  参考訳（メタデータ） (2023-12-21T02:37:56Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Light Field Saliency Detection with Dual Local Graph Learning andReciprocative Guidance [148.9832328803202]
  我々は、グラフネットワークを介して焦点スタック内のインフォメーション融合をモデル化する。 我々は、全焦点パタンを用いて焦点スタック融合過程をガイドする新しいデュアルグラフモデルを構築した。
  論文  参考訳（メタデータ） (2021-10-02T00:54:39Z)
• Bipartite Graph Embedding via Mutual Information Maximization [8.382665371140503]
  バイパートグラフの埋め込みは、様々なアプリケーションドメインで広く使われているため、多くの注目を集めている。 我々は,新しい局所的グローバルインフォマックス目標を導入することにより,このようなグローバル特性を捉えるためにbigiと呼ばれる2部グラフ埋め込みを提案する。 提案モデルは,top-kレコメンデーションとリンク予測のための様々なベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2020-12-10T04:03:39Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。